
# Загружаем библиотеки
import pandas as pd
import numpy as np
import datetime as dt
from matplotlib.pyplot import figure
import warnings
warnings.filterwarnings('ignore')
import matplotlib.pyplot as plt
import matplotlib as mpl
import matplotlib.pylab as pylab
import seaborn as sns
from matplotlib.ticker import FuncFormatter
from plotly import graph_objects as go
import plotly.express as px
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
import folium


# Путь к внешней таблице
url = 'https://drive.google.com/file/d/1Q89QFO8eNumV6PwHeySnJ7g7kFA4PL0H/view?usp=sharing'
url='https://drive.google.com/uc?id=' + url.split('/')[-2]
df = pd.read_csv(url)

df.head()


# Выведим основную информацию о датафрейме с помощью метода `info()` 
# Изучим столбцы и их типы
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6737 entries, 0 to 6736
Data columns (total 6 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   date         6737 non-null   int64  
 1   customer_id  6737 non-null   object 
 2   order_id     6737 non-null   int64  
 3   product      6737 non-null   object 
 4   quantity     6737 non-null   int64  
 5   price        6737 non-null   float64
dtypes: float64(1), int64(3), object(2)
memory usage: 315.9+ KB


# Узнаем количество строк и столбцов в датафрейме
df.shape

(6737, 6)


# Просмотр сводной статистики
df.describe().T


# Количество строк
print('Количество строк:', len(df))
# Количество уникальных покупателей
print('Количество уникальных покупателей:', len(df['customer_id'].unique()))
# Количество уникальных заказов
print('Количество уникальных заказов:', len(df['order_id'].unique()))
# Количество проданного товара
print('Количество проданного товара:', (df['quantity'].sum()))
# Общая выручка 
df['revenue']= (df['price']* df['quantity']) #  добавим новый столбец с выручкой
print('Общая выручка:',df['revenue'].sum())
# Средний чек заказа
order_sum = df.groupby('order_id').agg({'revenue': 'sum'}).reset_index()
print('Средний чек заказа:', order_sum['revenue'].mean())

Количество строк: 6737
Количество уникальных покупателей: 2451
Количество уникальных заказов: 2784
Количество проданного товара: 16853
Общая выручка: 4851280.0
Средний чек заказа: 1742.557471264368


# Проверим наличие пропусков в каждом столбце(%)
pd.DataFrame(round(df.isna().mean()*100,)).style.background_gradient('BuPu')


# Проверим наличие дубликатов
df.duplicated().sum()

0


# Удалим неявные дубликаты при совпадении трех столбцов
df_up= df.drop_duplicates(subset=['customer_id', 'order_id', 'product'], keep='last')


# Узнаем количество строк и столбцов в датафрейме
df_up.shape

(4851, 7)


print('Всего удаленно строк:', len(df)-len(df_up))

Всего удаленно строк: 1886


# Изучим столбцы и их типы
df_up.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 4851 entries, 0 to 6736
Data columns (total 7 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   date         4851 non-null   int64  
 1   customer_id  4851 non-null   object 
 2   order_id     4851 non-null   int64  
 3   product      4851 non-null   object 
 4   quantity     4851 non-null   int64  
 5   price        4851 non-null   float64
 6   revenue      4851 non-null   float64
dtypes: float64(2), int64(3), object(2)
memory usage: 303.2+ KB


df_up['date'] = pd.to_datetime(df['date'], format = '%Y%m%d%H')


df_up['year'] = df_up['date'].astype('datetime64[Y]')
df_up['quartel'] = df_up['date'].dt.quarter
df_up['month'] = df_up['date'].astype('datetime64[M]')
df_up['week'] = df_up['date'].dt.day_name()
df_up['day'] = df_up['date'].astype('datetime64[D]')
df_up['hour'] = df_up['date'].dt.hour


# Проверим столбцы и их типы
df_up.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 4851 entries, 0 to 6736
Data columns (total 13 columns):
 #   Column       Non-Null Count  Dtype         
---  ------       --------------  -----         
 0   date         4851 non-null   datetime64[ns]
 1   customer_id  4851 non-null   object        
 2   order_id     4851 non-null   int64         
 3   product      4851 non-null   object        
 4   quantity     4851 non-null   int64         
 5   price        4851 non-null   float64       
 6   revenue      4851 non-null   float64       
 7   year         4851 non-null   datetime64[ns]
 8   quartel      4851 non-null   int64         
 9   month        4851 non-null   datetime64[ns]
 10  week         4851 non-null   object        
 11  day          4851 non-null   datetime64[ns]
 12  hour         4851 non-null   int64         
dtypes: datetime64[ns](4), float64(2), int64(4), object(3)
memory usage: 530.6+ KB


# Проверим столбцы
df_up.head()


df_up['quantity'].describe(percentiles=[0.1, 0.5, 0.6
, 0.7, 0.8, 0.88, 0.9, 0.95]).T

count    4851.000000
mean        2.835910
std        17.642155
min         1.000000
10%         1.000000
50%         1.000000
60%         1.000000
70%         1.000000
80%         2.000000
88%         3.000000
90%         3.000000
95%         8.000000
max      1000.000000
Name: quantity, dtype: float64


#Найдем заказ с количеством 1000
df_up.sort_values(by='quantity', ascending=False)[:5]


#Удаляем выбросы, так как это были оптовые покупки
df_up = df_up[(df_up['quantity'] < 1000)]


# Проверим
df_up['quantity'].describe(percentiles=[0.1, 0.5, 0.6
, 0.7, 0.8, 0.88, 0.9, 0.95]).T

count    4850.000000
mean        2.630309
std        10.305702
min         1.000000
10%         1.000000
50%         1.000000
60%         1.000000
70%         1.000000
80%         2.000000
88%         3.000000
90%         3.000000
95%         8.000000
max       334.000000
Name: quantity, dtype: float64


# Построим диаграмму размаха("ящик с усами")
fig = plt.figure(figsize=(15, 5))
ax = plt.subplot(2, 1,2)

ax.boxplot(df_up['quantity'], False, sym='rs', vert=False, whis=0.5, positions=[0], widths=[0.3])

plt.tight_layout()
plt.show()


df_up['price'].describe(percentiles=[0.1, 0.5, 0.6
, 0.7, 0.8, 0.88, 0.9, 0.95]).T

count     4850.000000
mean       516.060206
std        946.179939
min          9.000000
10%         38.000000
50%        150.000000
60%        188.000000
70%        374.000000
80%        712.000000
88%       1124.000000
90%       1424.000000
95%       2198.750000
max      14917.000000
Name: price, dtype: float64


#Найдем заказ с максимальной ценой
df_up.sort_values(by='price', ascending=False)[:5]


# Построим диаграмму размаха("ящик с усами")
fig = plt.figure(figsize=(15, 5))
ax = plt.subplot(2, 1,2)

ax.boxplot(df_up['price'], False, sym='rs', vert=False, whis=0.5, positions=[0], widths=[0.3])

plt.tight_layout()
plt.show()


dupl_user = df_up.groupby('order_id').agg({'customer_id': 'nunique', 'revenue': 'sum', 'quantity': 'sum'}).reset_index()
dupl_user = dupl_user.query('customer_id > 1')
print('Всего задвоений покупателей:', len(dupl_user))

Всего задвоений покупателей: 29


data_check_dup= (df_up.groupby(['order_id', 'product']).agg({'customer_id': 'nunique'}).reset_index().query('customer_id > 1')['order_id'])
data_check_dup

1657    14872
1658    14872
1659    14872
2331    68785
2819    69283
2839    69310
2854    69345
2884    69410
2924    69485
2957    69531
3092    69833
3226    70114
3471    70542
3523    70631
3570    70726
3609    70808
3659    70903
3679    70946
3741    71054
3829    71226
3936    71461
3945    71480
3970    71542
3987    71571
4031    71648
4035    71663
4299    72188
4601    72778
4608    72790
4642    72845
4709    72950
Name: order_id, dtype: int64


data = df_up.query('order_id not in @dupl_user')
data.shape

(4850, 13)


data = df_up.query('order_id not in @data_check_dup')
data.shape

(4784, 13)


# Количество строк
print('Количесво строк таблицы: {}, данные после обработки уменьшилось на {:.2%}'.format(len(data), 1 - (len(data) / len(df))))
# Количество уникальных покупателей

print('Кол-во уникальных покупателей: {}, данные после обработки уменьшилось на {:.2%}'
.format(len(data['customer_id'].unique()), 1 - (len(data['customer_id'].unique()) / len(df['customer_id'].unique()))))

# Количество уникальных заказов
print('Количество уникальных заказов:{}, данные после обработки уменьшилось на {:.2%}'
.format(len(data['order_id'].unique()), 1 - (len(data['order_id'].unique()) / len(df['order_id'].unique()))))

# Количество проданного товара
print('Количество проданного товара:{}, данные после обработки уменьшилось на {:.2%}'
.format(data['quantity'].sum(), 1 - ((data['quantity'].sum()) / (df['quantity'].sum()))))
      
# Общая выручка 
print('Общая выручка:{}, данные после обработки уменьшилось на {:.2%}'
.format(data['revenue'].sum(), 1 - (data['revenue'].sum() / df['revenue'].sum())))

# Средний чек заказа
order_sum = df.groupby('order_id').agg({'revenue': 'sum'}).reset_index()
order_sum_after = data.groupby('order_id').agg({'revenue': 'sum'}).reset_index()
print('Средний чек заказа:{}, данные после обработки уменьшилось на {:.2%}'
.format(order_sum_after['revenue'].mean(), 1 - (order_sum_after['revenue'].mean()) / (order_sum['revenue'].mean())))

Количесво строк таблицы: 4784, данные после обработки уменьшилось на 28.99%
Кол-во уникальных покупателей: 2393, данные после обработки уменьшилось на 2.37%
Количество уникальных заказов:2754, данные после обработки уменьшилось на 1.08%
Количество проданного товара:12437, данные после обработки уменьшилось на 26.20%
Общая выручка:3411515.0, данные после обработки уменьшилось на 29.68%
Средний чек заказа:1238.7490922294844, данные после обработки уменьшилось на 28.91%


data.shape

(4784, 13)


# Выгрузим очищенный датафрэйм для табло

data.to_csv('data.csv', index = False)


# Группируем данные по количеству заказов
quan_count = data.groupby('quantity').agg({'order_id': 'count'}).reset_index()
# Переименовываем название столбцов
quan_count.columns = ['quantity','count']
# Добавляем столбец "%", чтобы найти долю с общего объема
quan_count['%'] = round((quan_count['count']/quan_count['count'].sum())*100,2)
# Сортируем данные по убыванию
quan_count[:10].sort_values(by='count', ascending=False).style.format({'%':'{:.2f}%'})

#quan_count[:10].style.bar(subset=['count'], color='#ffe135')


def group_goods(product):
    try:
        if  1 == product:
            return 'A'
        elif 2 == product:
            return 'B'
        elif 3 <= product <= 10:
            return 'C'
        elif 11 <= product <= 30:
            return 'D'
        elif 31 <= product <= 50:
            return 'E'
        elif product >= 51:
            return 'F'
    except:
        pass
quan_count['category_quantity'] = quan_count['quantity'].apply(group_goods)
quan_count[:10];


 # Группируем данные по количеству заказов
categoties_goods = quan_count.groupby('category_quantity').agg({'count': 'sum'}).reset_index()
# Переименовываем название столбцов
categoties_goods.columns = ['category_quantity','count']
# Добавляем столбец "%", чтобы найти долю с общего объема
categoties_goods['%'] = round((categoties_goods['count']/categoties_goods['count'].sum())*100,1)
# Сортируем данные по убыванию
categoties_goods.sort_values(by='count', ascending=False)

categoties_goods.style.bar(subset=['count'], color='#ffe135')


# Построим круговую диаграмму для определения доли каждого события 
fig = go.Figure(data=[go.Pie(labels=quan_count['category_quantity'], values=quan_count['%'])])
fig.update_layout(title="Распределение количества заказов по группах (%)"
)
fig.update_traces(hoverinfo='label+percent', textinfo='value', textfont_size=10, marker=dict(line=dict(color='#000000', width=1)))
fig.show()


 # Группируем данные по месяцам
revenue_month = data.groupby('month').agg({'order_id': 'count', 'revenue': 'sum'}).reset_index()
# Переименовываем название столбцов
revenue_month.columns = ['month','orders_Q', 'orders_revenue']

revenue_month.style.bar(subset=['orders_revenue'], color='#ffe135')


# Найдем среднюю выручку 
month_aver = round(revenue_month['orders_revenue'].sum()/12, 2)
print('Средняя выручка в месяц в разрезе года:', month_aver)

Средняя выручка в месяц в разрезе года: 284292.92


# Построим график
fig = px.bar(revenue_month, y='orders_revenue', x= 'month') 
# оформляем график
fig.update_layout(title='Ежемесячная выручка(руб.)',
                   xaxis_title='Месяц',
                   yaxis_title='Выручка(руб.)',
                   width=800, # указываем размеры графика
                   height=500)
# добавляем ось X 
fig.add_hline(y=month_aver, line_dash="dash", line_color="grey")

fig.show()


# Сгруппируем данные
month_user = data.groupby('month')['customer_id'].agg(['nunique']).reset_index()
# Объединим таблицы по месяцу
user_aver = month_user.merge(revenue_month, on = ['month'])
# Добавим столбец со сред кол заказов на одного покупателя
user_aver['Среднее кол-во заказов'] = (user_aver['orders_Q'] / user_aver['nunique']).round(2)
# Добавим столбец со сред выручной на одного покупателя
user_aver['Средняя сумма заказа пок-ля'] = (user_aver['orders_revenue'] /user_aver['nunique']).round(2)
user_aver.columns = ['Месяц','Q покупателей','Q заказов', 'Выручка', 'Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля']
user_aver


# Группируем данные по дням недели
revenue_week = data.groupby('week').agg({'order_id': 'count', 'revenue': 'sum'}).reset_index()
# Переименовываем название столбцов
revenue_week.columns = ['week','orders_Q', 'orders_revenue']

revenue_week.style.bar(subset=['orders_revenue'], color='#ffe135')


# Сгруппируем данные
week_user = data.groupby('week')['customer_id'].agg(['nunique']).reset_index()
# Объединим таблицы по месяцу
user_aver_week = week_user.merge(revenue_week, on = ['week'])
# Добавим столбец со сред кол заказов на одного покупателя
user_aver_week['Среднее кол-во заказов'] = (user_aver_week['orders_Q'] / user_aver_week['nunique']).round(2)
# Добавим столбец со сред выручной на одного покупателя
user_aver_week['Средняя сумма заказа пок-ля'] = (user_aver_week['orders_revenue'] /user_aver_week['nunique']).round(2)
user_aver_week.columns = ['Месяц','Q покупателей','Q заказов', 'Выручка', 'Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля']
user_aver_week.style.bar(subset=['Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля'], color='#ffe135')


# Группируем данные по времени
revenue_hours = data.groupby('hour').agg({'order_id': 'count', 'revenue': 'sum'}).reset_index()
# Переименовываем название столбцов
revenue_hours.columns = ['hour','orders_Q', 'orders_revenue']

revenue_hours.style.bar(subset=['orders_revenue'], color='#ffe135')


# Построим график
fig = px.bar(revenue_hours, y='orders_revenue', x= 'hour') 
# оформляем график
fig.update_layout(title='Часовая выручка(руб.)',
                   xaxis_title='Час',
                   yaxis_title='Выручка(руб.)',
                   width=1000, # указываем размеры графика
                   height=500)
# добавляем ось X 
#fig.add_hline(y=month_aver, line_dash="dash", line_color="grey")

fig.show()


# Сгруппируем данные по времени
hour_user = data.groupby('hour')['customer_id'].agg(['nunique']).reset_index()
# Объединим таблицы по месяцу
user_aver_hour = hour_user.merge(revenue_hours, on = ['hour'])
# Добавим столбец со сред кол заказов на одного покупателя
user_aver_hour['Среднее кол-во заказов'] = (user_aver_hour['orders_Q'] / user_aver_hour['nunique']).round(2)
# Добавим столбец со сред выручной на одного покупателя
user_aver_hour['Средняя сумма заказа пок-ля'] = (user_aver_hour['orders_revenue'] /user_aver_hour['nunique']).round(2)
user_aver_hour.columns = ['Час','Q покупателей','Q заказов', 'Выручка', 'Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля']
user_aver_hour.style.bar(subset=['Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля'], color='#ffe135')


# Сгруппируем данные по дню
day_order = data.groupby(['day']).agg({'order_id':'nunique', 'revenue': 'sum'}).reset_index()
# Переименовываем название столбцов
day_order.columns = ['day', 'Q_orders','sum_orders']
day_order.head()


day_orders_sum = data.groupby(['order_id']).agg({'revenue': 'sum'}).reset_index()
day_orders_sum.columns = ['orders', 'count_sum']
day_orders_sum.head()


# Просмотр сводной статистики
day_orders_sum['count_sum'].reset_index().describe(percentiles=[0.1, 0.5, 0.6, 0.7, 0.8, 0.9, 0.95, 0.99]).T


# Построим гистограмму по дате

fig = px.histogram(day_orders_sum.query('count_sum <= 8000'), x="count_sum", nbins=50)
fig.update_layout(title_text='Распределение суммы заказов', xaxis_title="Сумма заказа", yaxis_title="Количество заказов")
fig.show()


top10_goods = data.groupby(['product']).agg({'order_id': 'count', 'revenue': 'sum'}).reset_index()
top10_goods.sort_values(by=['revenue'], ascending=False)[:10]


out10_goods = data.groupby(['product']).agg({'order_id': 'count', 'revenue': 'sum'}).reset_index()
out10_goods.sort_values(by=['revenue'], ascending=True)[:10]


# Заменим названия товаров
data['product'] = data['product'].str.replace('Мусорный контейнер в ванную комнату BOWL-SHINY полистирол 14х16 см белый, Spirella, 1014964',
 'Контейнер мусорный в ванную комнату BOWL-SHINY полистирол 14х16 см белый, Spirella, 1014964')
data['product'] = data['product'].str.replace('Этажерка цветочная пластиковая ЛИВИЯ 5 кашпо М-пластика M3140',
 'Цветочная этажерка пластиковая ЛИВИЯ 5 кашпо М-пластика M3140')
data['product'] = data['product'].str.replace('Ящик почтовый металлический с врезным замком Почта 1205250',
 'Почтовый ящик металлический с врезным замком Почта 1205250')
data['product'] = data['product'].str.replace('Набор ковров для ванной комнаты, "Офелия", 40х50/50х80см., серый/бежевый, NTBM50804050-26-190',
 'Ковры набор для ванной комнаты,"Офелия", 40х50/50х80см., серый/бежевый, NTBM50804050-26-190')


data['first_name'] = data['product'].apply(lambda x: x.split(' ')[0])
# Приведем к нижнему регистру
data['first_name'] = data['first_name'].str.lower()
data[['first_name','product']].head(10)


# 1 Все для цветов
flowers = [
 'примула','калибрахоа','фуксия','вербена','пуансеттия','фиалка',
'дыня','комнатное','базилик','бегония','бальзамин',
 'бакопа','космея','мята','папоротник','календула', 'каланхое',
'тыква', 'гербера','цветущее', 'афеляндра',
 'цитрофортунелла', 'пахира', 'фаленопсис', 'искусственная', 'эхеверия', 'клубника', 'многолетнее', 'кофе',
 'седум', 'табак', 'спатифиллум', 'дендориум', 'калла', 'лавр', 'мирт','львиный', 'дендробиум', 'цветочная',
 'искусственный','колокольчик','декоративная','подвесное', 'нивянник', 'вербейник', 'гардения', 'гортензия', 
 'калатея', 'алое', 'кореопсис', 'укроп', 'вигна', 'скиммия',
 'колеус', 'душица', 'фатсия', 'лантана', 'кабачок','антуриум','огурец','хризантема','эвкалипт','декабрист',
 'томат','гвоздика','арбуз','петрушка','цинния', 'патиссон','алиссум','азалия','тимьян', 'лобелия', 'исскуственная', 
 'капуста', 'газания','циперус','виола', 'хлорофитум', 'лаванда', 'розмарин', 'мимоза','мединилла', 'тагетис', 'земляника', 
 'астра','пеларгония','рассада','томата','пеларгония', 'роза','петуния', 'герань', 'цветок','однолетнее','флокс','цикламен',' зверобой', 'настурция',  'салат', 'осина', 'целозия', 'портулак', 'крассула',
 'аргирантерум', 'хоста', 'цинерария', 'монарда', 'баклажан', 'вероника', 'сальвия', 'кориандр','лен']

# 2 Все для ванной
bathroom = ['ковры','сетка', 'ванна', 'подголовник', 'штора',  'полотенце', 'махровое','вешалка-сушилка', 'карниз','настенная','сушилка','фен','штанга','ёрш','ерш','ковш','пробка','комплект','контейнер', 'сиденье','корзина',
 'бак','стакан','контейнер','халат', 'махровый']

# 3 Все для кухни
kitchen = ['мантоварка-пароварка', 'мантоварка','электроштопор', 'овощечистка','мусорный','кисточка','крышка',
'набор','просеиватель','лоток','емкость', 'тарелка', 'сахарница','салатник','кружка','банка','нож','сковорода','кастрюля','ложка','вилка', 'кухонное',
 'термокружка', 'термос', 'нож', 'кувшин', 'чайный', 'миска','овсянница', 'терка','измельчитель', 'чайная', 'разделочная', 'блюдце', 'рыбочистка', 'термостакан', 'бидон', 'половник', 'толкушка',
 'сервировочная', 'лопатка', 'столовый', 'сахарница', 'сотейник',
'бульонница', 'венчик', 'скалка', 'сотейник','тортница', 'tepмокружка', 'хлебница', 'блюдо', 'чайник', 'модульная',
 'отделитель','весы', 'миксер', 'овощеварка', 'соковарка','котел']

# 4 Товары для хранения вещей
storage = ['полки', 'этажерка','полка', 'обувница-3', 'складной', 'вешалка','вешалки', 'вешалка-плечики', 'сумка',
 'вешалка-стойка', 'комод', 'стеллаж', 'подставка', 'плечики']

# 5 Хозтовары и инвентарь
household = ['лестница-стремянка','тележка','стремянка', 'лестница', 'стремянки', 'урна-пепельница', 'муссорный',
 'урна', 'стремянка-табурет', 'почтовый','сумка-тележка','таз', 'вантуз', 'швабра','ведро','щетка-утюжок',
 'жестяная', 'зубная', 'шнур', 'петля', 'ящик', 'коробка', 'бельевые','новогоднее', 'кондиционер',
 'корыто', 'веник', 'мыло', 'дозатор', 'шило', 'термометр',
'тряпкодержатель',
 'совок', 'бензин', 'мешок', 'шпагат', 'вакумный', 'фал', 'корзинка', 'ваза',
 'подарочный', 'ткань','автоматическая', 'пылесос','щетка-сметка'
, 'окномойка','щётка','щетка','паста','салфетка','насадка',
 'cредство','перчатки', 'муляж', 'измерительный','сверло-фреза','крепеж',
 'многофункциональный', 'петля-стрела','крючок','камнеломка','стяжка', 'стяжки',]

# 6 Все для спальни
bedroom = ['покрывало', 'простыня', 'одеяло', 'светильник','простынь', 'подушка', 'наматрасник', 'двуспальное',
 'наматрацник-чехол', 'наматрацник', 'пододеяльник','наматрицник', 'чехол', 'кофр','плед','ковер', 'ковёр', 'коврик','скатерть','утюг', 'подкладка', 'подрукавник', 'рукав', 'гладильная', 'чехол'
,'покрытие','доска']


def categorie (row):
     if row['first_name'] in flowers:
        return 'Все для цветов'
     if row['first_name'] in bathroom:
        return 'Все для ванной'
     if row['first_name'] in kitchen:
        return 'Все для кухни'
     if row['first_name'] in storage:
        return 'Товары для хранения вещей'
     if row['first_name'] in household:
        return 'Хозтовары и инвентарь'
     if row['first_name'] in bedroom:
        return 'Все для спальни'
     else:
        return 'Другое'
# Добавим категории в новый столбец
data['categories_product'] = data.apply(categorie, axis=1)


data.head()


# Группируем данные по категориям
cat = data.groupby('categories_product').agg({'product': 'count'}).reset_index()\
                                        .sort_values(by='product', ascending=False)
# Добавляем столбец "%", чтобы найти долю с общего объема по категориям
cat ['%'] = round((cat['product']/cat['product'].sum())*100,1)

# Переименовываем название столбцов
cat.columns = ['Категория','Кол-во товара', 'Доля(%)']
cat.style.bar(subset=['Доля(%)'], color='#ffe135')


cat.plot(y= 'Доля(%)', kind="pie", figsize=(7, 7), autopct='%1.1f%%', labels=cat['Категория'],)
plt.legend(bbox_to_anchor=(0.6, 0, 0.6, 0.9)) # Расположение легенды на графике
plt.title('Доля распределения категорий товара') # Название графика
plt.show()


# Объединим таблицы по месяцу
user_aver = month_user.merge(revenue_month, on = ['month'])
# Добавим столбец со сред кол заказов на одного покупателя
user_aver['Среднее кол-во заказов'] = (user_aver['orders_Q'] / user_aver['nunique']).round(2)
# Добавим столбец со сред выручной на одного покупателя
user_aver['Средняя сумма заказа пок-ля'] = (user_aver['orders_revenue'] /user_aver['nunique']).round(2)
user_aver.columns = ['Месяц','Q покупателей','Q заказов', 'Выручка', 'Среднее кол-во заказов пок-ля', 'Средняя выручка заказа пок-ля']
user_aver


# Сгруппируем данные  
month_category = data.pivot_table(index='categories_product', columns= 'month', values=['revenue'],\
               aggfunc={'revenue': 'sum' }).reset_index()

cm = sns.light_palette("#5f9bd6", as_cmap=True)

month_category.style.background_gradient(cmap=cm)


# Создадим таблицу
flowers_tab = data.query('categories_product == "Все для цветов"')

# Сгруппируем данные по наименованию товара и месяцу

tab_1 = flowers_tab.pivot_table(index=['first_name', 'month'], values='price', aggfunc='median')\
        .sort_values(by='price',ascending=False)\
        .reset_index()
        #.rename(columns={'first_name':'Источник','acquisition_cost': 'CAC'})\
        #.round(2)
tab_1[:10]


# Сгруппируем данные по наименованию и посчитаем частоту покупок по каждой позиции

flowers_freq = tab_1.pivot_table(index=['first_name'], values='month', aggfunc='count')\
                      .reset_index()

# Выделим топ-10 самых продаваемых позиций в теч года
flowers_freq_year = flowers_freq.query('month >8').sort_values(by='month',ascending=False).head(10)
flowers_freq_year


# Создадим таблицу
bathroom_tab = data.query('categories_product == "Все для ванной"')
# Сгруппируем данные по наименованию товара и месяцу
tab_2 = bathroom_tab.groupby('first_name').agg({'order_id' : 'count', 'price':'median'})\
        .sort_values(by='order_id',ascending=False)\
        .reset_index()
        
tab_2


# Создадим таблицу
kitchen_tab = data.query('categories_product == "Все для кухни"')

# Сгруппируем данные по наименованию товара и месяцу
tab_3 = kitchen_tab.groupby('first_name').agg({'order_id' : 'count', 'price':'median'})\
        .sort_values(by='order_id',ascending=False)\
        .reset_index()
        
tab_3


# Создадим таблицу
storage_tab = data.query('categories_product == "Товары для хранения вещей"')

# Сгруппируем данные по наименованию товара и месяцу
tab_4 = storage_tab.groupby('first_name').agg({'order_id' : 'count', 'price':'median'})\
        .sort_values(by='order_id',ascending=False)\
        .reset_index()
        
tab_4


# Создадим таблицу
household_tab = data.query('categories_product == "Хозтовары и инвентарь"')

# Сгруппируем данные по наименованию товара и месяцу
tab_5 = household_tab.groupby('first_name').agg({'order_id' : 'count', 'price':'median'})\
        .sort_values(by='order_id',ascending=False)\
        .reset_index()
        
tab_5


# Создадим таблицу
bedroom_tab = data.query('categories_product == "Все для спальни"')
# Сгруппируем данные по наименованию товара и месяцу
tab_6 = bedroom_tab.groupby('first_name').agg({'order_id' : 'count', 'price':'median'})\
        .sort_values(by='order_id',ascending=False)\
        .reset_index()
        
tab_6


# Сделаем временной срез с апреля по август и группировку по наименованию товара с подчетом заказов

flowers_seas = flowers_tab.query('month == ("2019-04-01","2019-08-01")')\
                          .groupby('first_name').agg({'order_id' :'count'})\
                          .reset_index().sort_values(by='order_id', ascending = False)[:10]
flowers_seas


# Сделаем срез по рассаде и пеларгонии, петунии
rassada = flowers_tab.query('first_name == "рассада"').groupby('month').agg({'order_id' : 'count'}).reset_index()
pel = flowers_tab.query('first_name == "пеларгония"').groupby('month').agg({'order_id' : 'count'}).reset_index()
tomat = flowers_tab.query('first_name == "томата"').groupby('month').agg({'order_id' : 'count'}).reset_index()
petun = flowers_tab.query('first_name == "петуния"').groupby('month').agg({'order_id' : 'count'}).reset_index()
# Построим график
ax =rassada.plot(kind='bar', y = 'order_id', figsize = (15, 5), label='рассада', color='#008080',)
pel.plot(kind='bar', y = 'order_id', figsize = (15, 5), ax=ax, alpha=0.5, color='#da70d6', label='пеларгония')
tomat.plot(kind='bar', y = 'order_id', figsize = (15, 5), ax=ax, alpha=0.5, color='#cf0', label='томата')
petun.plot(kind='bar', y = 'order_id', figsize = (15, 5), ax=ax, alpha=0.5, color='#000080', label='петуния')
plt.xlabel('Месяц')
plt.ylabel('Количество заказов')
plt.title('График количества заказов растений')
ax.legend()
plt.show()


# Сгруппируем данные по месяцу и категории
data_hypoth = data.groupby(['month','categories_product'])['revenue'].agg(['sum']).reset_index()
data_hypoth


# Сделаем срез по категории "Все для цветов" и "Все для ванной" и найдем среднию

data_hypoth_flowers = data_hypoth.query('categories_product == "Все для цветов"')['sum']
print('Средний доход в месяц по категории "Все для цветов"', round(data_hypoth_flowers.mean(),1))

data_hypoth_bath = data_hypoth.query('categories_product == "Все для ванной"')['sum']
print('Средний доход в месяц по категории "Все для ванной"', round(data_hypoth_bath.mean(), 1))

Средний доход в месяц по категории "Все для цветов" 38526.1
Средний доход в месяц по категории "Все для ванной" 39726.2


from scipy import stats as st

results = st.ttest_ind(
   data_hypoth_flowers, 
   data_hypoth_bath, equal_var = False) # results = вызов метода для проверки гипотезы
 
alpha = .05 # alpha уровнь значимости
 
print('p-значение:', results.pvalue) # вывод значения p-value на экран 

if results.pvalue < alpha:
    print("Отвергаем нулевую гипотезу")
else:
    print("Не получилось отвергнуть нулевую гипотезу, средний ежемесячный доход категорий одинаковый")# условный оператор с выводом строки с ответом

p-значение: 0.8985080626295798
Не получилось отвергнуть нулевую гипотезу, средний ежемесячный доход категорий одинаковый


a = np.var(data_hypoth_flowers)
b = np.var(data_hypoth_bath)
print(np.average(a))
print(np.average(b))

778458860.9940829
256028016.2840236


# Выведим таблицу в разрезе категорий, периода и дохода
month_category


# Построим гостограмму по среднему ежемесячному доходу двух категорий
figure(figsize=(10, 5), dpi=100)
data.query('categories_product == ["Все для цветов","Все для ванной"] & revenue> 1000')\
    .groupby('categories_product')['revenue']\
    .plot(kind='hist', bins=30, alpha=0.5)
plt.legend(["Все для цветов","Все для ванной"])
plt.xlabel('Выручка')
plt.ylabel('Кол-во')
plt.show()


# Сгруппируем данные по покупателю и категории
data_hypoth_user = data.groupby(['customer_id','categories_product'])['revenue'].agg(['sum']).reset_index()
data_hypoth_user


# Сделаем срез по категории "Все для цветов" и "Все для ванной" и найдем среднию 

data_hypoth_flowers_user = data_hypoth_user.query('categories_product == "Все для цветов"')['sum']
print('Средний чек покупателя в месяц по категории "Все для цветов"', round(data_hypoth_flowers_user.mean(),1))

data_hypoth_bath_user = data_hypoth_user.query('categories_product == "Все для ванной"')['sum']
print('Средний чек покупателя по категории "Все для ванной"', round(data_hypoth_bath_user.mean(), 1))

Средний чек покупателя в месяц по категории "Все для цветов" 742.0
Средний чек покупателя по категории "Все для ванной" 1284.7


from scipy import stats as st

results = st.ttest_ind(
   data_hypoth_flowers_user, 
   data_hypoth_bath_user, equal_var = False) # results = вызов метода для проверки гипотезы
 
alpha = .05 # alpha уровнь значимости
 
print('p-значение:', results.pvalue) # вывод значения p-value на экран 

if results.pvalue < alpha:
    print("Отвергаем нулевую гипотезу, средние чеки на одного покупателя разные")
else:
    print("Не получилось отвергнуть нулевую гипотезу, средний чек на одгого покупателя двух категорий одинаковый")# условный оператор с выводом строки с ответом

p-значение: 0.0001773284239909108
Отвергаем нулевую гипотезу, средние чеки на одного покупателя разные


a = np.var(data_hypoth_flowers_user)
b = np.var(data_hypoth_bath_user)
print(np.average(a))
print(np.average(b))

1257982.8160307251
7522341.502388555


figure(figsize=(10, 5), dpi=100)
data.query('categories_product == ["Все для цветов","Все для ванной"] & revenue> 2000').groupby('categories_product')['revenue']\
                                                             .plot(kind='hist', bins=30, alpha=0.5)
plt.legend(["Все для цветов","Все для ванной"])
plt.xlabel('Выручка')
plt.ylabel('Кол-во')
plt.show()

	date	customer_id	order_id	product	quantity	price
0	2018100100	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Комнатное растение в горшке Алое Вера, d12, h30	1	142.0
1	2018100100	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Комнатное растение в горшке Кофе Арабика, d12,...	1	194.0
2	2018100100	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Радермахера d-12 см h-20 см	1	112.0
3	2018100100	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Хризолидокарпус Лутесценс d-9 см	1	179.0
4	2018100100	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Циперус Зумула d-12 см h-25 см	1	112.0

	count	mean	std	min	25%	50%	75%	max
date	6737.0	2.018855e+09	385518.465620	2.018100e+09	2.019020e+09	2.019050e+09	2.019061e+09	2.019103e+09
order_id	6737.0	4.312895e+04	27899.414662	1.262400e+04	1.482700e+04	6.850300e+04	7.050400e+04	7.316400e+04
quantity	6737.0	2.501559e+00	15.266478	1.000000e+00	1.000000e+00	1.000000e+00	1.000000e+00	1.000000e+03
price	6737.0	4.620285e+02	871.296064	9.000000e+00	1.010000e+02	1.350000e+02	3.980000e+02	1.491700e+04

	date	customer_id	order_id	product	quantity	price	revenue	year	quartel	month	week	day
0	2018-10-01	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Комнатное растение в горшке Алое Вера, d12, h30	1	142.0	142.0	2018-01-01	4	2018-10-01	Monday	2018-10-01
1	2018-10-01	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Комнатное растение в горшке Кофе Арабика, d12,...	1	194.0	194.0	2018-01-01	4	2018-10-01	Monday	2018-10-01
2	2018-10-01	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Радермахера d-12 см h-20 см	1	112.0	112.0	2018-01-01	4	2018-10-01	Monday	2018-10-01
3	2018-10-01	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Хризолидокарпус Лутесценс d-9 см	1	179.0	179.0	2018-01-01	4	2018-10-01	Monday	2018-10-01
4	2018-10-01	ee47d746-6d2f-4d3c-9622-c31412542920	68477	Циперус Зумула d-12 см h-25 см	1	112.0	112.0	2018-01-01	4	2018-10-01	Monday	2018-10-01

	date	customer_id	order_id	product	quantity	price	revenue	year	quartel	month	week	day	hour
5456	2019-06-18 15:00:00	312e9a3e-5fca-43ff-a6a1-892d2b2d5ba6	71743	Вантуз с деревянной ручкой d14 см красный, Bur...	1000	675.0	675000.0	2019-01-01	2	2019-06-01	Tuesday	2019-06-18	15
5071	2019-06-11 07:00:00	146cd9bf-a95c-4afb-915b-5f6684b17444	71668	Вешалки мягкие для деликатных вещей 3 шт шоколад	334	148.0	49432.0	2019-01-01	2	2019-06-01	Tuesday	2019-06-11	7
3961	2019-05-20 21:00:00	5d189e88-d4d6-4eac-ab43-fa65a3c4d106	71478	Муляж ЯБЛОКО 9 см красное	300	51.0	15300.0	2019-01-01	2	2019-05-01	Monday	2019-05-20	21
1158	2018-12-10 14:00:00	a984c5b7-ff7e-4647-b84e-ef0b85a2762d	69289	Ручка-скоба РС-100 белая Трибатрон, 1108035	200	29.0	5800.0	2018-01-01	4	2018-12-01	Monday	2018-12-10	14
568	2018-11-01 08:00:00	aa42dc38-780f-4b50-9a65-83b6fa64e766	68815	Муляж ЯБЛОКО 9 см красное	170	51.0	8670.0	2018-01-01	4	2018-11-01	Thursday	2018-11-01	8

	date	customer_id	order_id	product	quantity	price	revenue	year	quartel	month	week	day	hour
5992	2019-07-29 17:00:00	0d87f4ae-465a-4fac-81e6-5d629761783e	72139	Сушилка уличная Leifheit 85210 LINOMATIC V 400...	1	14917.0	14917.0	2019-01-01	3	2019-07-01	Monday	2019-07-29	17
2697	2019-04-05 19:00:00	c0c60544-3a99-49d0-8a8e-cf7f293c22cb	71035	Сумка-тележка хозяйственная Andersen Royal Sho...	1	8737.0	8737.0	2019-01-01	2	2019-04-01	Friday	2019-04-05	19
1981	2019-02-24 10:00:00	ac250053-a236-467a-97d2-ddbb9bf4a1ba	70423	Сумка-тележка хозяйственная Andersen Alu Star ...	1	8437.0	8437.0	2019-01-01	1	2019-02-01	Sunday	2019-02-24	10
2997	2019-04-21 16:00:00	19d904d8-8d16-476d-8f66-b2a3b7a23660	71227	Сумка-тележка хозяйственная Rolser MNB019 rojo...	1	8077.0	8077.0	2019-01-01	2	2019-04-01	Sunday	2019-04-21	16
6629	2019-10-16 15:00:00	d5584388-ffbe-42fd-a746-a98828ec919f	72992	Стремянка 7 ступенчатая Hailo 8040-707 XXL 13 ...	1	7724.0	7724.0	2019-01-01	4	2019-10-01	Wednesday	2019-10-16	15

Изучение входных данных¶

Предобработка данных¶

Исходные данные таблицы/создание столбцов¶

Проверим дубликаты и пропуски¶

Проверка типов данных¶

Проверим выбросы¶

Проверка на уникальность заказов/клиентов¶

Анализ данных(EDA)¶

Количество товаров в разрезе заказов¶

Количество уникальных покупателей в разрезе месяца, дня недели и времени¶

Количество уникальных покупателей в разрезе месяца¶

Количество уникальных покупателей в разрезе дня недели¶

Количество уникальных покупателей в разрезе времени¶

Количество заказов в разрезе дня недели и времени¶

Лидеры продаж топ-10 товаров¶

Аутсайдеры продаж топ-10 товаров¶

Детализация исследования: анализ товарного ассортимента¶

Сгруппируем данные по категориям и найдем топ-10¶

Средняя выручка по категориям и месяцам¶

Соотношение основых и дополнительных товаров¶

Определим сезонность по категориям¶

Проверка гипотез¶

Проверка гипотезы №1 : "Среднии ежемесячные доходы по категориям "Все для цветов" и "Все для ванной" одинаковый"¶

Проверка гипотезы №2 : "Средний чек на одного покупателя по категориям "Все для цветов" и "Все для ванной" одинаковый"¶

Общий вывод и рекомендации¶

Презентация для заказчика¶

Дашборт¶

	0
date	0.000000
customer_id	0.000000
order_id	0.000000
product	0.000000
quantity	0.000000
price	0.000000
revenue	0.000000

	quantity	count	%
0	1	3758	78.55%
1	2	423	8.84%
2	3	138	2.88%
3	4	101	2.11%
9	10	70	1.46%
4	5	67	1.40%
5	6	41	0.86%
6	7	20	0.42%
7	8	14	0.29%
8	9	7	0.15%

	category_quantity	count	%
0	A	3758	78.600000
1	B	423	8.800000
2	C	458	9.600000
3	D	109	2.300000
4	E	14	0.300000
5	F	22	0.500000

	month	orders_Q	orders_revenue
0	2018-10-01 00:00:00	478	350374.000000
1	2018-11-01 00:00:00	430	359772.000000
2	2018-12-01 00:00:00	303	341910.000000
3	2019-01-01 00:00:00	184	234117.000000
4	2019-02-01 00:00:00	359	304446.000000
5	2019-03-01 00:00:00	407	249537.000000
6	2019-04-01 00:00:00	673	316122.000000
7	2019-05-01 00:00:00	685	228814.000000
8	2019-06-01 00:00:00	324	233624.000000
9	2019-07-01 00:00:00	311	226361.000000
10	2019-08-01 00:00:00	200	180910.000000
11	2019-09-01 00:00:00	216	177922.000000
12	2019-10-01 00:00:00	214	207606.000000

	Месяц	Q покупателей	Q заказов	Выручка	Среднее кол-во заказов пок-ля	Средняя выручка заказа пок-ля
0	2018-10-01	178	478	350374.0	2.69	1968.39
1	2018-11-01	178	430	359772.0	2.42	2021.19
2	2018-12-01	226	303	341910.0	1.34	1512.88
3	2019-01-01	151	184	234117.0	1.22	1550.44
4	2019-02-01	244	359	304446.0	1.47	1247.73
5	2019-03-01	228	407	249537.0	1.79	1094.46
6	2019-04-01	235	673	316122.0	2.86	1345.20
7	2019-05-01	162	685	228814.0	4.23	1412.43
8	2019-06-01	150	324	233624.0	2.16	1557.49
9	2019-07-01	185	311	226361.0	1.68	1223.57
10	2019-08-01	165	200	180910.0	1.21	1096.42
11	2019-09-01	171	216	177922.0	1.26	1040.48
12	2019-10-01	169	214	207606.0	1.27	1228.44

	week	orders_Q	orders_revenue
0	Friday	600	507445.000000
1	Monday	894	584357.000000
2	Saturday	499	260282.000000
3	Sunday	517	337947.000000
4	Thursday	756	537790.000000
5	Tuesday	775	676060.000000
6	Wednesday	743	507634.000000

	Месяц	Q покупателей	Q заказов	Выручка	Среднее кол-во заказов пок-ля	Средняя выручка заказа пок-ля
0	Friday	320	600	507445.000000	1.880000	1585.770000
1	Monday	430	894	584357.000000	2.080000	1358.970000
2	Saturday	234	499	260282.000000	2.130000	1112.320000
3	Sunday	325	517	337947.000000	1.590000	1039.840000
4	Thursday	387	756	537790.000000	1.950000	1389.640000
5	Tuesday	429	775	676060.000000	1.810000	1575.900000
6	Wednesday	382	743	507634.000000	1.950000	1328.880000

	hour	orders_Q	orders_revenue
0	0	42	31392.000000
1	1	41	21491.000000
2	2	16	22405.000000
3	3	8	6415.000000
4	4	28	18937.000000
5	5	36	19232.000000
6	6	47	53945.000000
7	7	88	146112.000000
8	8	281	179326.000000
9	9	328	229504.000000
10	10	343	218823.000000
11	11	401	282890.000000
12	12	323	237150.000000
13	13	405	304536.000000
14	14	386	205529.000000
15	15	326	243530.000000
16	16	327	220045.000000
17	17	270	243551.000000
18	18	165	160943.000000
19	19	216	147099.000000
20	20	197	117169.000000
21	21	240	147158.000000
22	22	188	118679.000000
23	23	82	35654.000000

	Час	Q покупателей	Q заказов	Выручка	Среднее кол-во заказов пок-ля	Средняя выручка заказа пок-ля
0	0	30	42	31392.000000	1.400000	1046.400000
1	1	15	41	21491.000000	2.730000	1432.730000
2	2	13	16	22405.000000	1.230000	1723.460000
3	3	8	8	6415.000000	1.000000	801.880000
4	4	17	28	18937.000000	1.650000	1113.940000
5	5	18	36	19232.000000	2.000000	1068.440000
6	6	32	47	53945.000000	1.470000	1685.780000
7	7	62	88	146112.000000	1.420000	2356.650000
8	8	121	281	179326.000000	2.320000	1482.030000
9	9	167	328	229504.000000	1.960000	1374.280000
10	10	195	343	218823.000000	1.760000	1122.170000
11	11	201	401	282890.000000	2.000000	1407.410000
12	12	190	323	237150.000000	1.700000	1248.160000
13	13	191	405	304536.000000	2.120000	1594.430000
14	14	186	386	205529.000000	2.080000	1104.990000
15	15	175	326	243530.000000	1.860000	1391.600000
16	16	149	327	220045.000000	2.190000	1476.810000
17	17	144	270	243551.000000	1.880000	1691.330000
18	18	106	165	160943.000000	1.560000	1518.330000
19	19	124	216	147099.000000	1.740000	1186.280000
20	20	119	197	117169.000000	1.660000	984.610000
21	21	142	240	147158.000000	1.690000	1036.320000
22	22	102	188	118679.000000	1.840000	1163.520000
23	23	49	82	35654.000000	1.670000	727.630000

	day	Q_orders	sum_orders
0	2018-10-01	9	8261.0
1	2018-10-02	14	16746.0
2	2018-10-03	8	10574.0
3	2018-10-04	11	25170.0
4	2018-10-05	6	4036.0

	orders	count_sum
0	12624	375.0
1	13547	684.0
2	14480	359.0
3	14481	600.0
4	14482	376.0

	count	mean	std	min	10%	50%	60%	70%	80%	90%	95%	99%	max
index	2754.0	1376.500000	795.155645	0.0	275.3	1376.5	1651.8	1927.1	2202.4	2477.7	2615.35	2725.47	2753.0
count_sum	2754.0	1238.749092	2239.602191	14.0	134.0	686.0	899.0	1162.0	1705.8	2774.0	3908.10	7792.62	49432.0

	product	order_id	revenue
1188	Простынь вафельная 200х180 см WELLNESS RW180-0...	2	53232.0
1611	Сумка-тележка 2-х колесная Gimi Argo синяя	47	50405.0
190	Вешалки мягкие для деликатных вещей 3 шт шоколад	2	49596.0
1888	Тележка багажная DELTA ТБР-22 синий грузоподъе...	3	33992.0
831	Муляж ЯБЛОКО 9 см красное	6	32702.0
870	Набор ножей Attribute CHEF 5 предметов AKF522	1	29248.0
1637	Сумка-тележка хозяйственная Andersen Scala Sho...	5	28045.0
1939	Урна уличная "Гео", Hobbyka/Хоббика, 59*37,5см...	1	24370.0
131	Веник сорго с деревянной ручкой с 4-мя швами, ...	2	20010.0
1622	Сумка-тележка 3-х колесная Gimi Tris Floral синяя	7	18893.0

	product	order_id	revenue
731	Львиный зев Волшебный ковер 0,05 г 4660010779639	1	9.0
313	Горох Амброзия 10,0 г 4660010772616	1	9.0
2054	Цинния Коралловая красавица 0,2 г 4660010773323	1	10.0
940	Огурец Засолочный 0,3 г 4660010776102	1	10.0
909	Незабудка смесь 0,1 г 4650091480340	1	10.0
2055	Цинния Оранжевый король 0,5 г 4660010770520	1	10.0
766	Морковь Детская сладость 2 г 4660010775921	1	10.0
1053	Петрушка Итальянский гигант 2 г 4660010776553	1	10.0
693	Лаватера Монт Блан 0,3 г 4660010778588	1	11.0
433	Календула Суприм 0,5 г 4650091480227	1	11.0

	first_name	product
0	комнатное	Комнатное растение в горшке Алое Вера, d12, h30
1	комнатное	Комнатное растение в горшке Кофе Арабика, d12,...
2	радермахера	Радермахера d-12 см h-20 см
3	хризолидокарпус	Хризолидокарпус Лутесценс d-9 см
4	циперус	Циперус Зумула d-12 см h-25 см
5	шеффлера	Шеффлера Лузеана d-9 см
6	юкка	Юкка нитчатая d-12 см h-25-35 см
7	настенная	Настенная сушилка для белья Gimi Brio Super 100
8	таз	Таз пластмассовый 21,0 л круглый "Водолей" С61...
9	чехол	Чехол для гладильной доски Colombo Persia Beig...

	Категория	Кол-во товара	Доля(%)
3	Все для цветов	2431	50.800000
6	Хозтовары и инвентарь	817	17.100000
0	Все для ванной	481	10.100000
2	Все для спальни	415	8.700000
1	Все для кухни	311	6.500000
4	Другое	221	4.600000
5	Товары для хранения вещей	108	2.300000

	first_name	month	price
0	гортензия	2019-09-01	3599.0
1	афеляндра	2018-10-01	3524.0
2	цитрофортунелла	2019-04-01	3074.0
3	эвкалипт	2019-06-01	1762.0
4	эвкалипт	2019-03-01	1762.0
5	эвкалипт	2019-02-01	1409.0
6	эвкалипт	2018-10-01	1409.0
7	скиммия	2018-12-01	1139.0
8	пахира	2019-10-01	1087.0
9	мединилла	2019-09-01	1034.0

	first_name	month
20	герань	13
67	пеларгония	13
74	рассада	12
75	роза	12
30	искусственный	11
97	цветок	11
58	мята	9
91	фиалка	9

	first_name	order_id	price
0	сушилка	267	637.0
1	штора	76	974.0
2	корзина	33	592.0
3	ёрш	15	56.0
4	контейнер	15	674.0
5	карниз	14	224.0
6	сиденье	8	374.0
7	штанга	8	974.0
8	комплект	7	178.0
9	стакан	6	217.0
10	настенная	5	824.0
11	полотенце	4	89.0
12	махровое	4	130.5
13	подголовник	3	322.0
14	ковш	3	64.0
15	пробка	2	66.5
16	сетка	2	258.5
17	ерш	2	2661.5
18	махровый	1	1949.0
19	ванна	1	749.0
20	ковры	1	599.0
21	фен	1	592.0
22	халат	1	1949.0
23	вешалка-сушилка	1	1087.0
24	бак	1	3749.0

	first_name	order_id	price
0	тарелка	39	97.0
1	набор	36	405.0
2	салатник	22	104.5
3	чайник	19	749.0
4	банка	17	164.0
5	нож	14	123.0
6	кружка	14	89.0
7	сковорода	9	712.0
8	ложка	9	142.0
9	термокружка	8	524.0
10	кувшин	8	149.0
11	вилка	7	187.0
12	кастрюля	6	1368.0
13	весы	6	1274.0
14	термос	5	554.0
15	чайный	5	802.0
16	миска	4	44.0
17	терка	4	246.5
18	овсянница	4	97.0
19	хлебница	4	693.0
20	tepмокружка	4	2361.5
21	измельчитель	4	479.0
22	лоток	4	471.5
23	емкость	3	265.0
24	разделочная	3	194.0
25	овощеварка	3	449.0
26	чайная	3	172.0
27	столовый	2	193.5
28	соковарка	2	1686.5
29	кисточка	2	59.0
30	термостакан	2	295.5
31	толкушка	2	651.5
32	сахарница	2	172.0
33	рыбочистка	2	97.0
34	сервировочная	2	28.0
35	блюдце	2	56.5
36	крышка	2	82.0
37	блюдо	2	262.0
38	кухонное	2	73.5
39	лопатка	2	55.5
40	мусорный	2	4030.5
41	бидон	2	138.0
42	миксер	2	801.5
43	просеиватель	2	202.0
44	венчик	1	67.0
45	тортница	1	824.0
46	бульонница	1	164.0
47	мантоварка	1	1349.0
48	сотейник	1	1162.0
49	скалка	1	1312.0
50	мантоварка-пароварка	1	2219.0
51	котел	1	2924.0
52	половник	1	83.0
53	отделитель	1	1649.0
54	овощечистка	1	749.0
55	модульная	1	825.0
56	электроштопор	1	1012.0

	first_name	order_id	price
0	вешалка	36	142.0
1	полки	21	2249.0
2	сумка	13	374.0
3	подставка	6	366.5
4	вешалка-плечики	5	45.0
5	плечики	5	22.0
6	вешалки	4	164.0
7	комод	4	1349.0
8	этажерка	4	1027.0
9	вешалка-стойка	3	1837.0
10	стеллаж	3	1087.0
11	полка	2	1799.0
12	обувница-3	1	1912.0
13	складной	1	1424.0

	first_name	order_id	price
0	сумка-тележка	233	1649.0
1	муляж	166	59.0
2	тележка	96	734.0
3	таз	68	239.0
4	стремянка	28	1949.0
5	щетка	15	487.0
6	швабра	13	899.0
7	салфетка	12	196.5
8	новогоднее	12	1049.0
9	ведро	11	149.0
10	лестница-стремянка	11	1574.0
11	перчатки	9	224.0
12	щетка-сметка	8	61.5
13	окномойка	8	412.0
14	крючок	7	38.0
15	корыто	7	749.0
16	подарочный	6	194.0
17	камнеломка	5	97.0
18	стяжка	5	20.0
19	стремянки	5	3712.0
20	насадка	5	262.0
21	жестяная	5	104.0
22	шнур	5	37.0
23	петля	5	44.0
24	коробка	4	629.0
25	зубная	4	164.0
26	веник	4	339.5
27	термометр	3	44.0
28	ткань	3	285.0
29	урна	3	6899.0
30	совок	3	592.0
31	ящик	3	224.0
32	дозатор	3	524.0
33	крепеж	3	19.0
34	паста	3	899.0
35	мыло	3	78.0
36	вантуз	2	100.5
37	урна-пепельница	2	3760.5
38	измерительный	2	374.0
39	тряпкодержатель	2	119.0
40	пылесос	2	2121.5
41	шпагат	2	48.0
42	мешок	2	63.0
43	бензин	2	67.0
44	стремянка-табурет	2	2699.0
45	бельевые	2	66.5
46	ваза	1	488.0
47	шило	1	44.0
48	щетка-утюжок	1	44.0
49	щётка	1	1124.0
50	почтовый	1	277.0
51	кондиционер	1	262.0
52	фал	1	2099.0
53	корзинка	1	1049.0
54	лестница	1	974.0
55	стяжки	1	637.0
56	многофункциональный	1	637.0
57	петля-стрела	1	52.0
58	автоматическая	1	7229.0

	first_name	order_id	price
0	гладильная	118	1611.5
1	коврик	104	487.5
2	чехол	88	299.0
3	скатерть	31	974.0
4	подкладка	13	127.0
5	подрукавник	11	224.0
6	ковер	6	1012.0
7	кофр	6	531.5
8	рукав	5	225.0
9	покрывало	4	3261.5
10	плед	4	712.0
11	покрытие	4	1199.5
12	одеяло	3	1725.0
13	простыня	3	899.0
14	утюг	2	1060.5
15	доска	2	1724.0
16	подушка	2	239.5
17	ковёр	2	749.0
18	простынь	2	1852.0
19	светильник	1	1199.0
20	наматрасник	1	3074.0
21	наматрацник	1	1183.0
22	двуспальное	1	2024.0
23	пододеяльник	1	899.0

	first_name	order_id
36	пеларгония	142
39	рассада	109
46	томата	90
37	петуния	47
23	калибрахоа	27
4	бакопа	15
20	искусственный	15
34	однолетнее	13
50	цветок	8
40	роза	7

	month	categories_product	sum
0	2018-10-01	Все для ванной	73656.0
1	2018-10-01	Все для кухни	34313.0
2	2018-10-01	Все для спальни	66237.0
3	2018-10-01	Все для цветов	30308.0
4	2018-10-01	Другое	16156.0
...	...	...	...
86	2019-10-01	Все для спальни	23456.0
87	2019-10-01	Все для цветов	21243.0
88	2019-10-01	Другое	5479.0
89	2019-10-01	Товары для хранения вещей	16225.0
90	2019-10-01	Хозтовары и инвентарь	90946.0

	customer_id	categories_product	sum
0	000d6849-084e-4d9f-ac03-37174eaf60c4	Все для цветов	555.0
1	001cee7f-0b29-4716-b202-0042213ab038	Все для ванной	442.0
2	00299f34-5385-4d13-9aea-c80b81658e1b	Хозтовары и инвентарь	914.0
3	002d4d3a-4a59-406b-86ec-c3314357e498	Хозтовары и инвентарь	1649.0
4	003bbd39-0000-41ff-b7f9-2ddaec152037	Товары для хранения вещей	2324.0
...	...	...	...
2541	ff601403-b094-4b86-9ac6-264d725b9277	Хозтовары и инвентарь	1649.0
2542	ffaeab76-3a8d-49ee-860f-17273b2fc8a2	Хозтовары и инвентарь	397.0
2543	ffb5976a-7a4d-460b-95c4-5ffaba31cb24	Хозтовары и инвентарь	389.0
2544	ffb80538-3fda-4351-8ea9-9d2bec58bb07	Все для ванной	974.0
2545	ffe82299-3f5b-4214-87fe-3d36ecccfac3	Все для ванной	577.0